EssayAI
Блог
Блог
Гуманитарные науки

Тест Льюнга-Бокса: проверка автокорреляции

8 ноября 2026Время чтения: 8 минут
#тест льюнга-бокса#автокорреляция#временные ряды#остатки модели#эконометрика
Тест Льюнга-Бокса: проверка автокорреляции

Тест Льюнга-Бокса помогает выяснить, осталась ли во временном ряду линейная зависимость от прошлых значений сразу на нескольких лагах. Его часто применяют к остаткам модели прогноза: если модель уловила временную структуру, заметной автокорреляции в остатках быть не должно. В учебном калькуляторе ниже можно менять число включённых лагов и наблюдать, как отдельные корреляции складываются в общую статистику.

Что проверяет совместный тест

Пусть ete_t - остаток модели в момент tt. Автокорреляция на лаге kk описывает линейную связь между ete_t и et−ke_{t-k}. Например, лаг 1 связывает соседние периоды, а лаг 4 для квартальных данных может указать на годовую сезонность. Отдельный коэффициент показывает только один сдвиг; тест Льюнга-Бокса объединяет первые hh коэффициентов в одну проверку.

Нулевая гипотеза H0H_0 утверждает, что истинные автокорреляции на лагах от 1 до hh одновременно равны нулю. Альтернатива H1H_1: хотя бы одна из них отлична от нуля. Тест называют портманто-тестом: он собирает свидетельства из нескольких лагов в одну статистику. Он не говорит автоматически, какой именно лаг вызвал отклонение; для этого дополнительно изучают график автокорреляционной функции и саму модель.

В учебном примере в общую статистику последовательно включаются первые четыре лага, затем их число уменьшается; значение Q растёт при добавлении каждого вклада.

Квадраты коэффициентов делают вклад неотрицательным: и положительная, и отрицательная корреляция увеличивают QQ. На видео возвращение к первому лагу показывает тот же расчёт в обратном порядке, а не изменение исходных наблюдений.

Формула статистики и её смысл

Для ряда из nn наблюдений и выбранной верхней границы лагов hh статистика равна

Q(h)=n(n+2)∑k=1hr^k2n−k.Q(h)=n(n+2)\sum_{k=1}^{h}\frac{\hat r_k^2}{n-k}.

Здесь r^k\hat r_k - выборочная автокорреляция на лаге kk. При обычном определении она вычисляется как сумма произведений отклонений от среднего с временным сдвигом, делённая на сумму квадратов отклонений без сдвига:

r^k=∑t=k+1n(et−eˉ)(et−k−eˉ)∑t=1n(et−eˉ)2.\hat r_k=\frac{\sum_{t=k+1}^{n}(e_t-\bar e)(e_{t-k}-\bar e)}{\sum_{t=1}^{n}(e_t-\bar e)^2}.

Таким образом, порядок данных важен: перед вычислением нужно расположить наблюдения по времени и обработать пропуски, учитывая интервалы. Знаменатель n−kn-k в формуле QQ учитывает число доступных пар на данном лаге, а множитель n(n+2)n(n+2) отличает эту статистику от более простой статистики Бокса - Пирса. Формулу и назначение диагностики приводит справочник NIST.

Для интерпретации отдельной связи полезно сначала разобрать коэффициент автокорреляции остатков. Совместная статистика отвечает на другой вопрос: достаточно ли велики все включённые связи в совокупности, чтобы возникло основание отвергнуть общую нулевую гипотезу.

Пример расчёта для четырёх лагов

Предположим, что в учебном ряду n=100n=100, а уже рассчитанные автокорреляции равны 0,200{,}20, 0,150{,}15, −0,10-0{,}10 и 0,050{,}05. Это условные исходные данные, а не результаты исследования. Параметры модели не оценивались, поэтому для иллюстрации используем четыре степени свободы. При h=4h=4 получаем:

Q=100⋅102(0,20299+0,15298+(−0,10)297+0,05296)≈7,78.Q=100\cdot102\left(\frac{0{,}20^2}{99}+\frac{0{,}15^2}{98}+\frac{(-0{,}10)^2}{97}+\frac{0{,}05^2}{96}\right)\approx7{,}78.

Вклады по порядку составляют примерно 4,124{,}12, 2,342{,}34, 1,051{,}05 и 0,270{,}27. Их округлённые значения дают небольшую погрешность при сложении; итог рассчитан по неокруглённым величинам. Третий вклад положителен, хотя его корреляция отрицательна.

Четыре автокорреляции и их вклады в статистику Q около 7,78 при 100 наблюдениях
Четыре автокорреляции и их вклады в статистику Q около 7,78 при 100 наблюдениях

При четырёх степенях свободы верхнее критическое значение распределения χ2\chi^2 на уровне 5%5\% составляет примерно 9,499{,}49. Поскольку 7,78<9,497{,}78<9{,}49, нулевую гипотезу не отвергают. Эквивалентно, p≈0,100>0,05p\approx0{,}100>0{,}05. Это не доказательство отсутствия зависимости: данные просто не дали достаточных оснований отвергнуть ноль для выбранных четырёх лагов.

Как выбрать число лагов

Выбор hh связан с вопросом исследования и частотой наблюдений. Для месячных данных исследователь может заранее включить лаг 12, если его интересует годовая сезонность; для квартальных аналогичный ориентир - лаг 4. Важно также посмотреть на длину ряда: при большом hh относительно nn дальние корреляции вычисляются по небольшому числу пар, а приближение может работать плохо.

Слишком маленькое hh пропустит связь за пределами окна. Слишком большое добавит слабые и шумные корреляции и может снизить мощность против конкретной альтернативы. Универсального числа лагов для любой задачи нет: обоснуйте его периодичностью, размером выборки и характером модели до проверки. Документация MATLAB по тесту также указывает на потерю мощности при избыточном числе лагов.

Если перебрать много значений hh и сообщить только самое маленькое pp, обычный порог 5 % уже не описывает ошибку такого отбора. Несколько заранее оговорённых проверок могут быть полезны, но их совместную интерпретацию и проблему множественных сравнений нужно указать отдельно. График калькулятора показывает именно эту чувствительность: QQ растёт с каждым лагом, однако критическое значение тоже меняется.

Как читать результат в отчёте

Предположим, что аналитик строит прогноз квартальных продаж и заранее проверяет остатки до четвёртого лага. Уровень 5 % означает правило принятия решения, выбранное до просмотра результата. Если программа выводит таблицу для нескольких границ, строка с лагом 4 описывает общую проверку лагов 1–4, а не отдельную проверку только четвёртого лага. Это различие особенно важно для сезонных рядов: результат общей проверки не устанавливает самостоятельно, что обнаружена именно сезонная связь.

В отчёте полезно указать размер выборки после удаления пропусков и начальных значений, потерянных при построении модели. Одни и те же исходные данные могут давать разные результаты при другом способе вычисления остатков или другой корректировке степеней свободы. Для короткого ряда асимптотическое приближение стоит трактовать особенно осторожно; в сложной модели могут потребоваться дополнительные методы диагностики, подходящие к её предпосылкам. Не следует подменять интерпретацию одним словом «прошёл»: читателю нужны число лагов, статистика, степени свободы и само p-значение.

Степени свободы после оценки модели

Для исходного ряда без оцениваемых параметров в простом асимптотическом приближении используют χh2\chi^2_h. Для остатков подогнанной модели число степеней свободы обычно корректируют: при ARMA(p,q)(p,q) берут h−p−qh-p-q, если выполнены условия соответствующей процедуры. Например, для остатков ARIMA(1,1,1)(1,1,1) при h=12h=12 стандартная поправка по двум параметрам AR и MA даёт 10 степеней свободы. При сезонных и других моделях учитывают спецификацию и правила конкретной реализации.

Нужно, чтобы итоговое число степеней свободы было положительным. Иначе обычное pp-значение по такому приближению не определено. В документации statsmodels параметр model_df вычитается из числа лагов; проверьте его настройку и не полагайтесь на значение по умолчанию для остатков оценённой модели.

Что делать после проверки остатков

Если pp меньше заранее выбранного уровня значимости, проверьте временной график и автокорреляционную функцию остатков, сезонность, пропущенные лаги и спецификацию модели. Затем можно пересмотреть модель и проверить её на отложенных данных. Значимый результат указывает на оставшуюся линейную временную структуру в пределах окна, но сам по себе не выбирает правильное исправление.

Если pp велико, сохраните осторожную формулировку «нет оснований отвергнуть H0H_0». Маленькая выборка может плохо обнаруживать слабую зависимость. Нулевая автокорреляция также не гарантирует независимость, постоянную дисперсию или нормальность: эти свойства исследуют отдельно. Например, тест Уайта относится к проверке гетероскедастичности, а не заменяет анализ последовательной связи.

При проверке полезно записать не только решение, но и исходные настройки: длину ряда, выбранный лаг, поправку на параметры, значение статистики и уровень значимости. Это позволяет другому исследователю воспроизвести расчёт и понять, какие именно временные связи были включены. Разные программы могут по-разному задавать число лагов или степени свободы по умолчанию, поэтому настройки нужно сверять перед сравнением результатов.

Для сравнения, тест Дарбина - Уотсона сосредоточен на связи соседних остатков при своих условиях; тест Бройша - Годфри использует вспомогательную регрессию и пригоден для проверки автокорреляции более высокого порядка в регрессионной модели. Выбор зависит от постановки и допущений, а не только от доступной команды в программе.

Частые ошибки

  • Считать p>0,05p>0{,}05 доказательством независимости. Тест проверяет выбранные линейные автокорреляции, а не все виды зависимости.
  • Путать лаг и степени свободы. После оценки параметров модели они могут различаться; проверьте поправку программы.
  • Выбирать лаг после просмотра значимости. Это делает вывод слишком оптимистичным; правило выбора задают заранее.
  • Искать виновный лаг только по QQ. Совместное отклонение не локализует источник; изучите отдельные корреляции и контекст.
  • Применять формулу к неупорядоченным или нерегулярным данным как к равномерному ряду. Сначала восстановите корректную временную сетку и разберитесь с пропусками.

FAQ

Можно ли применять тест к самому временному ряду?

Да, если вопрос касается его автокорреляций. Для диагностики качества прогнозной модели обычно проверяют именно её остатки: исходный ряд может закономерно содержать тренд или сезонность, которые модель должна объяснять.

Что означает малое p-значение?

При корректных допущениях это означает, что наблюдаемое значение QQ или большее было бы маловероятно при нулевой гипотезе. При p<αp<\alpha гипотезу об отсутствии автокорреляции до выбранного лага отвергают. Вероятностью истинности H0H_0 само pp не является.

Доказывает ли тест, что модель хороша для прогноза?

Нет. Отсутствие значимой автокорреляции - лишь один диагностический признак. Сравните прогнозы с фактическими значениями вне обучающей выборки и проверьте другие свойства ошибок.

Коротко

Тест Льюнга-Бокса объединяет квадраты автокорреляций до заранее выбранного лага в статистику QQ. Её сравнивают с распределением χ2\chi^2, учитывая оценённые параметры модели. Результат помогает найти оставшуюся линейную структуру, но не доказывает независимость ошибок и не заменяет остальные проверки модели.

Доверьте текст нейросети EssayAI

Открыть EssayAI

Бесплатно, на русском языке и без VPN

Читайте также

Коинтеграция: как найти долгосрочную связь рядов

Коинтеграция: как найти долгосрочную связь рядов

Коинтеграция временных рядов простыми словами: как проверить стационарность остатка, провести тест Энгла и Грейнджера и понять модель коррекции ошибки на примере.

8 ноября 20268 минут
Модель Койка: формула распределённого лага и пример

Модель Койка: формула распределённого лага и пример

Модель Койка в эконометрике: геометрическое убывание лагов, преобразование уравнения, краткосрочный и долгосрочный эффекты, средний лаг и пример расчёта.

8 ноября 20268 минут
Тест Бройша-Годфри: проверка остатков на автокорреляцию

Тест Бройша-Годфри: проверка остатков на автокорреляцию

Тест Бройша-Годфри на автокорреляцию остатков регрессии: LM-статистика n·R², выбор числа лагов, сравнение с хи-квадрат, отличие от Дарбина-Уотсона и интерпретация p-значения.

19 июня 20267 минут
Тест Дарбина-Уотсона: автокорреляция остатков

Тест Дарбина-Уотсона: автокорреляция остатков

Тест Дарбина-Уотсона показывает, есть ли автокорреляция остатков регрессии. Разбираем статистику DW, границы dL и dU, проверку гипотез и как не ошибиться в выводах.

26 мая 20268 минут
Автокорреляция уровней временного ряда: расчёт

Автокорреляция уровней временного ряда: расчёт

Автокорреляция уровней временного ряда: как выбрать лаг, вычислить коэффициент на числовом примере и прочитать коррелограмму с учётом тренда и сезонности.

8 ноября 20268 минут
Индекс корреляции: формула и пример расчёта

Индекс корреляции: формула и пример расчёта

Как рассчитать индекс корреляции по группам и остаткам модели, прочитать его квадрат и отличить нелинейную связь от коэффициента Пирсона: пример с таблицей.

8 ноября 20268 минут